CN113671380B - 一种基于深度学习的动力电池系统多故障诊断方法 - Google Patents
一种基于深度学习的动力电池系统多故障诊断方法 Download PDFInfo
- Publication number
- CN113671380B CN113671380B CN202110968446.3A CN202110968446A CN113671380B CN 113671380 B CN113671380 B CN 113671380B CN 202110968446 A CN202110968446 A CN 202110968446A CN 113671380 B CN113671380 B CN 113671380B
- Authority
- CN
- China
- Prior art keywords
- fault
- sensor
- residual
- deep learning
- model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000003745 diagnosis Methods 0.000 title claims abstract description 21
- 238000013135 deep learning Methods 0.000 title claims abstract description 16
- 238000002955 isolation Methods 0.000 claims abstract description 30
- 238000013136 deep learning model Methods 0.000 claims abstract description 13
- 238000001514 detection method Methods 0.000 claims abstract description 11
- 238000013209 evaluation strategy Methods 0.000 claims abstract description 10
- 238000012545 processing Methods 0.000 claims abstract description 10
- 238000012549 training Methods 0.000 claims abstract description 7
- 125000004122 cyclic group Chemical group 0.000 claims description 31
- 238000005070 sampling Methods 0.000 claims description 18
- 238000013528 artificial neural network Methods 0.000 claims description 17
- 238000012360 testing method Methods 0.000 claims description 15
- 238000013527 convolutional neural network Methods 0.000 claims description 13
- 238000009825 accumulation Methods 0.000 claims description 12
- 238000002474 experimental method Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 11
- 238000005259 measurement Methods 0.000 claims description 6
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 claims description 5
- 229910001416 lithium ion Inorganic materials 0.000 claims description 5
- 230000005284 excitation Effects 0.000 claims description 4
- 238000011176 pooling Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 3
- 230000001960 triggered effect Effects 0.000 claims description 3
- 241000288105 Grus Species 0.000 claims description 2
- 230000007613 environmental effect Effects 0.000 claims description 2
- 230000001360 synchronised effect Effects 0.000 abstract 2
- 230000006870 function Effects 0.000 description 6
- 230000004913 activation Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 2
- 230000008014 freezing Effects 0.000 description 2
- 238000007710 freezing Methods 0.000 description 2
- 229910052744 lithium Inorganic materials 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- GELKBWJHTRAYNV-UHFFFAOYSA-K lithium iron phosphate Chemical compound [Li+].[Fe+2].[O-]P([O-])([O-])=O GELKBWJHTRAYNV-UHFFFAOYSA-K 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000000178 monomer Substances 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Abstract
本发明提供一种基于深度学习的动力电池系统多故障诊断方法,包括故障检测和故障隔离两部分,故障检测针对电池故障早期预警问题,使用编码解码架构的深度学习模型,编码过去一段时间窗口内所测端电压、电流和温度序列,利用之后的电流和温度实测值解码出同步的端电压,与实测对比生成残差序列,经软阈值处理后由多级报警评估策略决定是否触发报警,该报警策略能消除误差波动,防止误报警。之后训练故障隔离深度学习模型,输入软阈值处理后的残差序列,隔离模型输出各故障是触发报警诱因的概率,进而隔离出各故障,从而简化了隔离各传感器故障类型的难度。
Description
技术领域
本发明涉及车载动力电池系统故障诊断领域,尤其涉及一种基于深度学习的动力电池系统多故障诊断方法。
背景技术
锂电池系统有着体积小、功率高、容量大、自动放电功率低、循环寿命长等优点,近些年已被广泛用于电动汽车、电子消费品、大规模或分布式储能等场景中。一旦动力电池出现问题,势必会导致整个系统存在短路等安全问题,造成较高的安全隐患。因此,为保证动力电池系统的安全可靠的运行,对动力电池进行有效的故障诊断是非常有必要的。电池的故障诊断可分为故障检测、故障隔离和故障程度估计这三部分,目前鲜有针对电池系统传感器故障开展基于深度学习的故障诊断研究,电池系统传感器故障诊断存在下述问题:
(1)早期故障检测及预警困难
电池系统故障的早期,其内部已有微弱的表征,随着时间推移,其表现与危害越来越显著,早期故障检测对电池安全技术保障有重要意义,但由于微弱的测量偏差,通过从机理出发的数学模型进行故障诊断,较为困难。
(2)故障类型隔离困难
电池系统故障有多种形式,单就传感器而言,就有偏置、漂移、失效和冻结等故障形式,由于故障的随机性以及彼此之间的相互耦合,这些故障难以隔离出来,阻碍进一步的容错控制算法研究。
(3)误报警难以解决
故障检测将测量信号与基于过去知识经验的参考值作对比,依据阈值发出警告,该阈值与误警率、漏警率以及报警时效性有直接联系,有必要针对性研究防误警策略或自适应调节阈值。
发明内容
本发明的目的是提供一种基于深度学习的动力电池系统多故障诊断方法,该方法可以对电池系统早期故障进行检测,对传感器微弱的故障进行表征,防止误报警并能大大简化隔离各传感器故障类型的难度。
本发明的技术方案是:
一种基于深度学习的动力电池系统多故障诊断方法,包括以下步骤:
步骤一:筹备动力电池充放电特性实验数据库,开展动态工况测试实验,使用传感器采集电池组内端电压、电流和温度数据;
步骤二:建立并训练测试用于电压传感器故障检测的编码解码架构的深度学习模型,简称编码解码模型;建立并训练测试用于电压传感器故障隔离的故障隔离深度学习模型,简称隔离模型;
步骤三:利用步骤二中的编码解码模型进行电池电压传感器故障检测,在实际应用中实时跟随传感器的数据采集进度,滑动观测窗口,应用编码解码模型解码出一段端电压序列,将解码出的端电压序列与传感器实测的端电压对比生成端电压残差序列,经软阈值处理后由多级报警评估策略决定是否触发报警;
步骤四:利用步骤二中的隔离模型进行电池电压传感器故障隔离,在电压传感器故障被监测到后,将最新监测出报警的端电压残差序列经软阈值处理后用作隔离模型的输入,隔离模型输出给定各故障类型的概率,概率最大者即为判定结果。
进一步地,所述步骤一中的开展动态工况测试实验具体为:针对锂离子电池配置端电压传感器、电流传感器和温度传感器,在多种具有代表性的环境温度下开展模拟实际电动汽车行驶工况中的电流激励的测试,以给定采样步长采集电压传感器、电流传感器和温度传感器的测量数据,构建包括正常数据集和故障数据集的电池充放电特性实验数据库。
进一步地,所述步骤二中的编码解码模型包括编码器和解码器,具有三个输入通道,一个输出通道;所述编码器包括一维卷积神经网络(1D CNN)、循环神经网络一和全连接层,编码器连接输入通道一,对应于二维的时间序列数据XE,长度为LE,表示该时序数据在时间维度上的采样点数目,特征数为FE,表示该时序数据每个采样点收集的传感器数据个数,每个特征对应不同传感器,根据策略或条件选择送入编码器的传感器,至少包含一个电压传感器、一个电流传感器和一个温度传感器,且所有电压传感器应为被监测对象;一维卷积神经网络(1D CNN)接收XE,对数据进行特征提取,组合搭配卷积层和池化层,输出二维的时间序列数据XE,R,长度为LE,R,特征数为FE,R;
循环神经网络一接收时间序列数据XE,R,以处理数据的时序性,其循环次数为LE,R,循环单元为门控循环单元GRU,取最后一层最后一次循环的输出作为循环神经网络一的输出结果,其为一维向量XC;
全连接层接收一维向量XC,输出一维背景向量YC,同时,该输出也是编码器的输出。
所述解码器包括循环神经网络二,连接输入通道二和输入通道三,输入通道二对应于二维的时间序列数据XD,长度为LD,特征数为FD,在时间维度与特征维度上紧跟输入通道一,每个特征对应不同传感器,根据策略或条件选择送入解码器的传感器,应包括有电流传感器和温度传感器;输入通道三对应于一个常量V0,为二维的时间序列数据XE在时间维度上最后一个采样步电压传感器的取值;
循环神经网络二接收XD、YC和V0,该循环神经网络其循环次数为LD,循环单元为GRU,结点数为ND,R,其中,XD进入网络的输入层,YC为该网络第一层的初始状态,V0为网络最后一层的初始状态。网络最后一层所有循环单元的结点数为1,该层输出连接编码解码模型的输出通道,其为二维的时间序列数据YD,长度为LD,特征数为1。
进一步地,所述步骤二中的隔离模型为一个输入数据正向传播路径为输入层——卷积神经网络——GRU RNN——全连接层——Softmax输出层的深度学习模型,其输入层为残差序列,特征数为1,输出层输出各故障可能性。
进一步地,所述步骤三中滑动观测窗口,应用编码解码模型解码出一段端电压序列具体如下:将一给定长度为L的观测窗口,每应用一次编码解码模型便沿时间线向前推进LE个采样点,不断更新出端电压序列,该端电压序列每一采样步上的取值对应于其时间线上被诊断对象在无故障情况下的参考值。
进一步地,所述步骤三中残差序列经软阈值处理后由多级报警评估策略决定是否触发报警具体如下:采用软阈值处理残差序列,将残差序列送入循环,从k开始等于1,每次循环中k加1,直到报警或k等于L;在单次循环中,将检查第k步的残差是否等于零,一旦残差非零,则将被添加到残差累积和中,一旦残差累积和超出阈值,则触发警报;如若每次循环中,残差不断等于0值,残差累积和将被迫渐渐趋于0,趋于0的方式为:限定循环次数内残差如若都为零,则残差累积和的绝对值减少一定值,直至减为0后维持0值不变。
本发明的有益效果在于:(1)本发明的编码解码模型相当于一种数据驱动电池模型,故障检测过程中,该模型以历史采集信号为作为背景进行编码,相当于根据训练出来的经验判断电池当前所属的状况,解码过程中,以实时的电流和温度信号作为激励,输出端电压信号,其与实测对比生成残差,模型足够精确的情况下,传感器微弱的故障可以表征出来,本发明可根据历史信息以及实时采集的信息对电池系统早期故障进行检测;(2)编码解码模型对电池电压传感器故障检测时,经软阈值处理后由报警评估策略决定是否触发报警,该报警策略能消除误差波动,防止误报警;(3)依靠分析端电压残差分布,大大简化了隔离各传感器故障类型的难度。
附图说明
图1为本发明基于深度学习的动力电池系统多故障诊断方法的流程图。
图2为用于故障检测的编码解码深度学习模型示意图。
图3为用于故障隔离的深度学习模型的示意图。
图4为软阈值函数的示意图。
图5为多级报警评估策略的流程图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
一种基于深度学习的动力电池系统多故障诊断方法,如图1所示,包括以下步骤:
步骤一:筹备动力电池充放电特性实验数据库,开展动态工况测试实验,使用传感器采集电池组内端电压、电流和温度数据。开展动态工况测试实验具体为:针对锂离子电池配置端电压传感器、电流传感器和温度传感器,锂离子电池可以是磷酸铁锂、三元锂电池等,选定锂离子电池单体或成组产品来配置传感器,在多种具有代表性的环境温度下开展模拟实际电动汽车行驶工况中的电流激励的测试,工况可根据需求、标准等进行选择甚至组合。在实验过程中,以给定采样步长采集电压传感器、电流传感器和温度传感器的测量数据,构建包括正常数据集和故障数据集的电池充放电特性实验数据库。
步骤二:建立并训练测试用于电压传感器故障检测的编码解码架构的深度学习模型,简称编码解码模型;建立并训练测试用于电压传感器故障隔离的故障隔离深度学习模型,简称隔离模型。
编码解码模型包括编码器和解码器,具有三个输入通道,一个输出通道;其一种简要形式的模型结构如图2所示,编码器包括一维卷积神经网络(1D CNN)、循环神经网络一(RNN1)和全连接层(Dense),编码器连接输入通道一,该输入通道对应于二维的时间序列数据XE,长度为LE,表示该时序数据在时间维度上的采样点数目,特征数为FE,表示该时序数据每个采样点收集的传感器数据个数,每个特征对应不同传感器,根据策略或条件选择送入编码器的传感器,至少包含一个电压传感器、一个电流传感器和一个温度传感器,且所有电压传感器应为被监测对象。对于一种单体产品而言,FE可为3,分别对应电压、电流和温度的传感器测量数据。
一维卷积神经网络(1D CNN)接收XE,对数据进行特征提取,组合搭配卷积层和池化层,输出二维的时间序列数据XE,R,长度为LE,R,特征数为FE,R。根据模型的优化目标,选择网络层数、卷积核个数、卷积核长度、池化层尺度、激活函数等超参数。
循环神经网络一(RNN1)接收时间序列数据XE,R,以处理数据的时序性,其循环次数为LE,R,循环单元为门控循环单元GRU,取最后一层最后一次循环的输出作为RNN1的输出结果,其为一维向量XC。根据模型的优化目标,选择RNN1的层数、各层结点数、激活函数等超参数。
全连接层(Dense)接收一维向量XC,输出一维背景向量YC,同时,该输出也是编码器的输出。根据模型的优化目标,选择全连接层的层数、各层结点数、激活函数等超参数。
所述解码器包括循环神经网络二(RNN2),连接输入通道二和输入通道三,输入通道二对应于二维的时间序列数据XD,长度为LD,特征数为FD,在时间维度与特征维度上紧跟输入通道一,每个特征对应不同传感器,根据策略或条件选择送入解码器的传感器,应包括有电流传感器和温度传感器;输入通道三对应于一个常量V0,为二维的时间序列数据XE在时间维度上最后一个采样步电压传感器的取值。循环神经网络二(RNN2)接收XD、YC和V0,该循环神经网络的循环次数为LD,循环单元为GRU,其中,XD进入网络的输入层,YC为该网络第一层的初始状态,V0为网络最后一层的初始状态。网络最后一层循环单元的结点数为1,该层输出连接模型的输出通道,其为二维的时间序列数据YD,长度为LD,特征数为1。
隔离模型为一个正向传播路径为输入层——卷积神经网络——GRU RNN——全连接层——Softmax输出层的深度学习模型,其一简要形式的模型结构如附图3所示,其输入层为残差序列,特征数为1,输出层输出各故障可能性。
步骤三:利用步骤二中的编码解码模型进行电池电压传感器故障检测,在实际应用中实时跟随传感器的数据采集进度,滑动观测窗口,应用编码解码模型解码出一段端电压序列,将解码出的端电压序列与传感器实测的端电压对比生成端电压残差序列,经软阈值处理后由多级报警评估策略决定是否触发报警。
滑动观测窗口,应用编码解码模型解码出一段端电压序列具体如下:将一给定长度为L的观测窗口,每应用一次编码解码模型便沿时间线向前推进LE个采样点,不断更新端电压序列,该端电压序列每一采样步上的取值对应于其时间线上被诊断对象在无故障情况下的参考值。
残差序列经软阈值处理后由多级报警评估策略决定是否触发报警具体如下:采用软阈值处理残差序列,软阈值函数如图4所示,将残差序列送入循环,从k开始等于1,每次循环中k加1,直到报警或k等于L;在单次循环中,将检查第k步的残差是否等于零,一旦残差非零,则将被添加到残差累积和中,一旦残差累积和超出阈值,则触发警报;如若每次循环中,残差不断等于0值,残差累积和将被迫渐渐趋于0,趋于0的方式为:限定循环次数内残差如若都为零,则残差累积和的绝对值减少一定值,直至减为0后维持0值不变。多级报警评估策略流程如图5所示。
步骤四:利用步骤二中的隔离模型进行电池电压传感器故障隔离,在电压传感器故障被监测到后,将最新监测出报警的端电压残差序列经软阈值处理后用作隔离模型的输入,隔离模型输出给定各故障类型的概率,故障类型包括偏置、漂移、失效和冻结等,概率(故障可能性)最大者即为判定结果。
应理解,本发明实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (7)
1.一种基于深度学习的动力电池系统多故障诊断方法,其特征在于:包括以下步骤:
步骤一:筹备动力电池充放电特性实验数据库,开展动态工况测试实验,使用传感器采集电池组内端电压、电流和温度数据;
步骤二:建立并训练测试用于电压传感器故障检测的编码解码架构的深度学习模型,简称编码解码模型;建立并训练测试用于电压传感器故障隔离的故障隔离深度学习模型,简称隔离模型;
步骤三:利用步骤二中的编码解码模型进行电池电压传感器故障检测,在实际应用中实时跟随传感器的数据采集进度,滑动观测窗口,应用编码解码模型解码出一段端电压序列,将解码出的端电压序列与传感器实测的端电压对比生成端电压残差序列,经软阈值处理后由多级报警评估策略决定是否触发报警;
步骤四:利用步骤二中的隔离模型进行电池电压传感器故障隔离,在电压传感器故障被监测到后,将最新监测出报警的端电压残差序列经软阈值处理后用作隔离模型的输入,隔离模型输出给定各故障类型的概率,概率最大者即为判定结果。
2.根据权利要求1所述的一种基于深度学习的动力电池系统多故障诊断方法,其特征在于:所述步骤一中的开展动态工况测试实验具体为:针对锂离子电池配置端电压传感器、电流传感器和温度传感器,在多种具有代表性的环境温度下开展模拟实际电动汽车行驶工况中的电流激励的测试,以给定采样步长采集电压传感器、电流传感器和温度传感器的测量数据,构建包括正常数据集和故障数据集的电池充放电特性实验数据库。
3.根据权利要求1所述的一种基于深度学习的动力电池系统多故障诊断方法,其特征在于:所述步骤二中的编码解码模型包括编码器和解码器,具有三个输入通道,一个输出通道;所述编码器包括一维卷积神经网络、循环神经网络一和全连接层,编码器连接输入通道一,对应于二维的时间序列数据XE,长度为LE,表示该时序数据在时间维度上的采样点数目,特征数为FE,表示该时序数据每个采样点收集的传感器数据个数,每个特征对应不同传感器,根据策略或条件选择送入编码器的传感器,至少包含一个电压传感器、一个电流传感器和一个温度传感器,且所有电压传感器应为被监测对象;一维卷积神经网络接收XE,对数据进行特征提取,组合搭配卷积层和池化层,输出二维的时间序列数据XE,R,长度为LE,R,特征数为FE,R;
循环神经网络一接收时间序列数据XE,R,以处理数据的时序性,其循环次数为LE,R,循环单元为门控循环单元GRU,取最后一层最后一次循环的输出作为循环神经网络一的输出结果,其为一维向量XC;
全连接层接收一维向量XC,输出一维背景向量YC,同时,该输出也是编码器的输出。
4.根据权利要求3所述的一种基于深度学习的动力电池系统多故障诊断方法,其特征在于:所述解码器包括循环神经网络二,连接输入通道二和输入通道三,输入通道二对应于二维的时间序列数据XD,长度为LD,特征数为FD,在时间维度与特征维度上紧跟输入通道一,每个特征对应不同传感器,根据策略或条件选择送入解码器的传感器,应包括有电流传感器和温度传感器;输入通道三对应于一个常量V0,为二维的时间序列数据XE在时间维度上最后一个采样步电压传感器的取值;
循环神经网络二接收XD、YC和V0,该循环神经网络的循环次数为LD,循环单元为GRU,其中,XD进入网络的输入层,YC为该网络第一层的初始状态,V0为网络最后一层的初始状态,网络最后一层所有循环单元的结点数为1,该层输出连接编码解码模型的输出通道,其为二维的时间序列数据YD,长度为LD,特征数为1。
5.根据权利要求1-4任一项所述的一种基于深度学习的动力电池系统多故障诊断方法,其特征在于:所述步骤二中的隔离模型为一个正向传播路径为输入层——卷积神经网络——GRU RNN——全连接层——Softmax输出层的深度学习模型,其输入层为残差序列,特征数为1,输出层输出各故障可能性。
6.根据权利要求1所述的一种基于深度学习的动力电池系统多故障诊断方法,其特征在于:所述步骤三中滑动观测窗口,应用编码解码模型解码出一段端电压序列具体如下:将一给定长度为L的观测窗口,每应用一次编码解码模型便沿时间线向前推进LE个采样点,不断更新出端电压序列,该端电压序列每一采样步上的取值对应于其时间线上被诊断对象在无故障情况下的参考值。
7.根据权利要求1所述的一种基于深度学习的动力电池系统多故障诊断方法,其特征在于:所述步骤三中残差序列经软阈值处理后由多级报警评估策略决定是否触发报警具体如下:采用软阈值处理残差序列,将残差序列送入循环,从k开始等于1,每次循环中k加1,直到报警或k等于L;在单次循环中,将检查第k步的残差是否等于零,一旦残差非零,则将被添加到残差累积和中,一旦残差累积和超出阈值,则触发警报;如若每次循环中,残差不断等于0值,残差累积和将被迫渐渐趋于0,趋于0的方式为:限定循环次数内残差如若都为零,则残差累积和的绝对值减少一定值,直至减为0后维持0值不变。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110968446.3A CN113671380B (zh) | 2021-08-23 | 一种基于深度学习的动力电池系统多故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110968446.3A CN113671380B (zh) | 2021-08-23 | 一种基于深度学习的动力电池系统多故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113671380A CN113671380A (zh) | 2021-11-19 |
CN113671380B true CN113671380B (zh) | 2024-07-16 |
Family
ID=
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106526488A (zh) * | 2016-09-27 | 2017-03-22 | 北京理工大学 | 串联式动力电池包内传感器故障诊断方法 |
CN111965547A (zh) * | 2020-09-27 | 2020-11-20 | 哈尔滨工业大学(威海) | 一种基于参数辨识法的电池系统传感器故障诊断方法 |
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106526488A (zh) * | 2016-09-27 | 2017-03-22 | 北京理工大学 | 串联式动力电池包内传感器故障诊断方法 |
CN111965547A (zh) * | 2020-09-27 | 2020-11-20 | 哈尔滨工业大学(威海) | 一种基于参数辨识法的电池系统传感器故障诊断方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xiao et al. | Degradation assessment of bearings with trend-reconstruct-based features selection and gated recurrent unit network | |
CN112731159B (zh) | 一种储能电站电池舱电池故障预判及定位的方法 | |
CN112906744B (zh) | 一种基于孤立森林算法的故障单体电池识别方法 | |
CN110909822B (zh) | 一种基于改进的高斯过程回归模型的卫星异常检测方法 | |
CN106528975B (zh) | 一种应用于电路与系统的故障预测与健康管理方法 | |
CN109581871B (zh) | 免疫对抗样本的工业控制系统入侵检测方法 | |
CN113895272A (zh) | 基于深度学习的电动汽车交流充电状态监测和故障预警方法 | |
Zhang et al. | Remaining Useful Life Prediction of Rolling Bearings Using Electrostatic Monitoring Based on Two‐Stage Information Fusion Stochastic Filtering | |
CN113516837A (zh) | 一种基于多源信息融合的城市火灾判断方法、系统及其存储介质 | |
CN112882909A (zh) | 燃料电池系统故障预测方法、装置 | |
CN111581831A (zh) | 一种失效相关多状态系统可靠性评估方法 | |
CN113671380B (zh) | 一种基于深度学习的动力电池系统多故障诊断方法 | |
CN115660198B (zh) | 滚动轴承剩余使用寿命预测方法 | |
CN114565051B (zh) | 基于神经元影响程度的产品分类模型的测试方法 | |
CN113671380A (zh) | 一种基于深度学习的动力电池系统多故障诊断方法 | |
CN116776726A (zh) | 基于分阶段差异化特征选择的机电装备零件寿命预测方法 | |
CN114154266B (zh) | 基于偏秩相关的流因果结构学习的燃气轮机故障预测方法 | |
Huang et al. | A prediction method for aero-engine health management based on nonlinear time series analysis | |
Wang et al. | Complex equipment diagnostic reasoning based on neural network algorithm | |
CN111598220B (zh) | 一种基于相关性分析的燃气轮机故障预测方法 | |
CN117349770B (zh) | 一种结构健康监测多应变传感器数据异常检测与修复方法 | |
Chen et al. | An unsupervised root cause analysis method for satellite on-orbit anomalies based on causal discovery | |
Zhang et al. | Electric vehicle power battery fault diagnosis based on wavelet decomposition and modified Z-score model | |
CN117744874A (zh) | 设备故障预测方法、装置及电子设备 | |
Liao et al. | Fault diagnosis method for lithium-ion batteries based on the combination of voltage prediction and Z-score |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant |